基于LPQ特征向量和PCA的簾子布疵點識別算法研究

趙鵬喜

(三門峽職業技術學院機電工程系,河南三門峽472000)

0 引言

在紡織品產業的發展過程中，如能有效快速識別出各種織物各類疵點，則紡織產品質量會有質的飛躍。因此，織物疵點識別算法是國內外研究人員的重要研究題目，目前有一定研究成果。但因為紡織品種類繁多，織物疵點也各有特點，很難有適應性很好的算法。如何研究開發出適應性強、實時性好、檢測精度高、分類效果好的檢測算法是很多研究人員面臨的難題。本文通過獲取簾子布這一特殊紡織品的LPQ特征向量，將此作為有效的疵點圖形特征，再利用PCA算法對得到的簾子布疵點圖像LPQ特征向量維數進行降低，最后用訓練后的BP神經網絡對降維后的簾子布疵點圖形特征向量進行識別。

1 LPQ特征向量

1.1 短時傅里葉變換定義

局部光譜F(u，x)可通過離散短時傅里葉變換(STFT)運算求出，短時傅里葉變換是通過對以圖像f(x)的每個像素x為中心的M×M的鄰域進行傅里葉變換得到，定義如下：

其中，wu是關于頻率u的二維離散傅里葉變換的基向量，fx是關于區域Nx中大小為M×M的采樣圖像向量。從上式可知，STFT可以通過對所有的頻率u進行二維相關運算實現。

2.2 LPQ特征向量定義

LPQ特征向量分別在4個二維頻率u1=[a,0]T,u2=[0,a]T,u3=[a,a]T,u4=[a,-a]T上得到其傅里葉系數。其中a為非常小的數，并滿足H(ui)≥0。一張圖像中的每個像素點都能用向量Fx表示。

其中 Re{·},Im{·}]T為 FX相應的實數部分和虛數部分。

對應的8×M2變換矩陣為

可得

FX=WfX

歸一化之前的系數是不相關的，因為如果采樣數據是統計獨立的，將能夠提供更大量的信息。假設使用白化變換實現獨立高斯分布

GX=VTFX

其中V是由矩陣D的SVD變換得到的正交矩陣。

D=USVT

其中V可由定值ρ來得到。

GX可通過對所有的圖像像素計算得到，然后由簡單歸一化工具進行處理得到相應的向量。

其中gj為GX的第j組數據。

經過變換，f(x)變成一個范圍為0～255的整數向量數據，再對每一個分量乘以權值2j，按照以下公式得到某一點相應的LPQ數值。

在分類器中，該圖像的歸一化系數的直方圖作為256維特征向量使用。

2 主成分分析(PCA)降維處理

PCA（主成分分析算法）運算是一個特征空間變換，根據數據集的統計性質進行特征變換。此特征變換能在沒有損失信息或者很小損失信息的狀況下減少數據信息的維度。

PCA算法的分析經過以下步驟：

4)利用雅可比迭代法得到矩陣R的特征值λ1,...,λn，可得到相應的特征向量 v1,...,vn。

6)利用施密特正交化法，并對向量進行單位化，結果為正交特征向量α1,...,αn。

7)算出上述特征值的累積貢獻率B1,...,Bn，與提取效率 p相比較，如Bt≥p,則得到t個主成分分別為 α1,...,αt。

8)通過公式 Y=X·α 計算，其中 α=(α1,...,αt)。計算出矩陣X在特征向量上的投影。Y就是完成特征提取后即數據降維后的數據信息。

3 簾子布疵點識別算法實現

3.1 簾子布的LPQ特征向量

簾子布作為常用的產業用紡織品，由于簾子布緯線稀疏，經、緯線之間沒有固定的規律，所以甚至正常簾子布的圖像也會有一定的差異。本文中LPQ特征向量的優點是旋轉不變性，提取簾子布紋理圖像特征時，避免了上述問題的發生。通過CCD工業攝像機和圖像采集卡采集所需的所有簾子布圖像，構建實驗所需的簾子布圖像庫。其中正常簾子布圖像(100幅)和漿斑、稀經、粘并、斷經和劈縫等5種疵點圖像(每種100幅)，每幅簾子布圖像的特征是256×256點陣，256階灰度。圖1(a)為正常的簾子布圖像，圖1(b)為漿斑疵點簾子布圖像，圖1(c)稀經疵點簾子布圖像，圖1(d)粘并疵點簾子布圖像，圖1(e)斷經疵點簾子布圖像，圖1(f)劈縫疵點簾子布圖像。

為了保證簾子布圖像的完整性和準確性，需隨機在簾子布圖像庫中選取各類型簾子布圖像(每種類型至少50幅)作為BP神經網絡的訓練樣本庫。同時，為了能夠正確地提取各種類型簾子布圖像的LBQ特征向量，需對各種類型的簾子布紋理圖像灰度求均值。

3.2 BP神經網絡分類器設計

BP神經網絡是一種性能良好的分類器，有自學習、自組織等優點,能及時、快速地獲取分類結果，可作為正常圖像和各種疵點圖像的識別工具。將漿斑、稀經、粘并、斷經和劈縫等5種疵點類型圖像經過LPQ算法處理得到相應的LBQ特征向量，上述特征值作為BP神經網絡疵點分類器的輸入向量。因選用16組(α,β)，所以BP神經網絡作為分類器輸入節點N1設置為16；BP神經網絡的輸出節點設置為6，因為正常簾子布圖像（1種）和漿斑、稀經、粘并、斷經和劈縫等5種疵點類型圖像共6種；BP神經網絡的隱含層節點N2設置為33。這樣就建立了“16-33-6”三級網絡的BP神經網絡。對BP神經網絡的結構設置后，輸入特征圖像對神經網絡進行訓練。簾子布圖像庫的6種類型圖像通過LBQ運算提取特征值，作為BP神經網絡的學習訓練數據,進而確定神經網絡的相關權值。經過試驗，利用MATLAB神經網絡工具箱中的有關函數進行BP神經網絡的訓練，S型的正切函數“tansig”、S型的對數函數“logsig”作為BP神經網絡的傳遞函數，梯度下降動量函數“learngdm”作為學習函數，其學習率的值為0.1，Levenberg-Marquardt函數“trainlm”作為訓練函數，均方誤差函數“mse”作為性能分析函數，通過475次學習后，BP神經網絡收斂至0.001。

將漿斑、稀經、粘并、斷經和劈縫等5種疵點類型圖像的LBQ特征向量輸入到已學習的BP神經網絡，上述幾種疵點類型圖像都能被識別出來。

4 結論

本文先獲取各種疵點類型圖像的LPQ特征向量，再利用PCA算法對特征向量進行降維處理，最后使用已訓練的BP神經網絡對各種圖像進行識別。經過試驗，上述識別方法對簾子布疵點圖像識別十分有效，使簾子布疵點自動識別成為可能，也能對其他織物疵點識別起積極作用。

[1]徐學強,汪渤,于家城，等.一種新型不變矩在圖像識別中的應用[J].光學技術，2007，33(4):580-583.

[2]Flusser J,Suk T.Pattern recognition by affine moment invariants[J].Pattern Recognition,1993,26(1):167-174.

[3]Esa Rahtu,Mikko Salo,JanneHeikkila.Convexity recognition using multi-scale autoconvolution.Proceeding of the 17th International Conference on Pattern Recognition[C].Cambridge(UK),2004.

[4]李迎春，陳賀新，高磊.基于仿射不變矩的神經網絡目標識別[J].計算機工程，2004，30(2):31-32.

[5]邊肇祺，張學工.模式識別[M].北京:清華大學出版社，1999.

[6]張曉華，趙立強，劉志飛，等.基于Fisherface和組合KNN分類器的人臉識別算法[J].河北科技師范學院學報，2008，22(2):36-39.

[7]高志升，袁紅照，楊軍.基于旋轉不變局部相位量化特征的人臉確認算法研究[J].計算機應用研究，2012，29(1):352-362.